Kenza OUYAHIA

• Modélisation des données logistiques et définition d’une dizaine de KPI métier (stocks, transport, productivité). • Conception d’un pipeline de contrôle qualité des données (Python, SQL) ayant permis de détecter et corriger 50 % des anomalies avant mise en production. • Développement et automatisation des dashboard logistiques via Cognos BI, diffusés auprès des équipes méthodes, équipes opérationnelles transport, responsables d’entrepôt et direction. • Développement et comparaison de plusieurs modèles de prévision des volumes logistiques à J+7 (XGBoost, Random Forest, Prophet, LSTM) - modèle XGBoost retenu (RMSE : 1 100 colis), permettant une réduction d’environ 15 % des erreurs de planification. • Réalisation d’une étude exploratoire par clustering (K-means) afin de modéliser et d’anticiper les besoins en effectifs selon les profils d’activité logistique • Production d’analyses d’aide à la décision : mise en évidence d’une baisse de productivité de 17 % liée à un changement de conditionnement (ayant orienté une décision opérationnelle) et détection de 2 000 colis hors flux, permettant une correction immédiate des écarts Stack : Excel avancé, Python, Databricks, SQL, Cognos BI, Machine learning, Statistiques (série temporelle)

• Conception et déploiement d’un tableau de bord analytique (JMP, Python) permettant à l’équipe R&D de suivre les KPI pharmaceutiques des procédés de formulation. • Conception d’une maquette d’application web d’un assistant IA pour la formulation pharmaceutique (Figma) — définition des fonctionnalités clés et présentation au comité de direction, suscitant un intérêt pour un potentiel investissement stratégique. • Développement de pipelines de collecte automatisée (Python, Requests, API) à partir de 3 à 5 sources externes — constitution d’une base de données de paramètres physico-chimiques des actifs pharmaceutiques exploitée par l’équipe R&D pour ses études de formulation Stack : JMP, Figma, Python (Requests, BeautifulSoup)

• Conception et déploiement de tableaux de bord de suivi logistique (Power BI, Excel, SQL), adoptés par l’ensemble de la PME pour le pilotage et l’optimisation des flux d’approvisionnement. • Pilotage de la gestion des stocks et de la chaîne d’approvisionnement en coordination avec les fournisseurs et les clients — contribution à la réduction des ruptures de stock et à la fiabilisation des flux de livraison Stack : Power BI (DAX, Power Query), Excel, SQL

• Modélisation du comportement de N usagers dans un réseau routier urbain à l’aide des jeux minoritaires et de la théorie des graphes • Développement et implémentation d’un simulateur sous MATLAB mettant en évidence l’émergence d’un équilibre de Nash et l’influence des paramètres clés sur la congestion (mémoire, stratégies, nombre d’usagers). Mémoire soutenu publiquement devant un jury et référencé sur Google Scholar Stack : MATLAB, théorie des jeux, modélisation mathématique, simulation stochastique